Analyzing Neural Time Series Data Chapter3

阅读笔记，仅作为学习记录，学校神经信号与人机智能课程的助教推荐了这本书

此书配套代码：mikexcohen/AnalyzingNeuralTimeSeries: Code for ANTS book (Cohen, 2012, MIT Press) (github.com)

Chapter3 Interpreting and Asking Questions about Time-Frequency Results

3.1 EEG Time-Frequency: The Basics

EEG数据的节律性活动反应神经振荡（neural oscillations），实质上是神经元群（对EEG来说是 cortical pyramidal cells）树突电活动的搏动。

这里的神经元群点活动是非常多神经元的同步活动，使电场足够大能通过脑组织、脑脊液、颅骨和皮肤到达靠近头皮电极放置位置：

（Espen Hagen， 2018）

• 单个神经元膜电位变化：70mV~100mV

• EEG信号：0.5~100uV ； 0.5~100Hz

较长时间振荡可持续数秒到数十分钟；

较短振荡持续几十到几百毫秒。

Oscillation描述三维度： frequency（Hz）, power, and phase(radians/degrees)

 

• Power：一个频带内的能量；振荡振幅的平方

• Phase:   任何给定时间点沿正弦波的位置;

• Power和Phase相互独立。

大脑节律频段：

• subdelta

• delta (1 – 3 Hz)：level 3 and 4 sleep i.e. deep dreamless sleep

• theta (4 – 8 Hz): meditation and level 1 and 2 sleep

• alpha (8 – 12 Hz):relaxed calm, the brain wave pattern of insights nad Eureka moment

• beta (15 – 30 Hz)

• lower gamma (30 – 80 Hz)

• upper gamma  (80 – 150 Hz)

• omega（up to 600Hz）

与认知过程最相关的频带：（2-150Hz）

峰值频率存在个体差异，与包括大脑结构、年龄、工作记忆能力和大脑化学等个体特征有关。

很难在频率和时间上精确地定位振荡活动。通常，分析参数允许您在一个域（时间或频率）中选择更好的精度。

• phase-locked activity：每次试验的阶段相同或非常相似

• non-phase-locked activity：每次试验的阶段不同

 

Figure2.2显示了一个非锁相活动的示例，并且所有的ERPs都是锁相活动的示例。

节律活动的变化有与任务需求有关的，包括知觉、认知、运动、语言、社会、情感、记忆和其他功能过程。

也有任务无关的，这部分背景信号通常被基线标准化去除，但是现在也有研究其可能以更复杂的方式支持神经计算的研究。

空间自相关：相邻电极的活动是强相关的，相关强度随距离而降低

这限制了空间精度，并可能导致某些连通性分析的虚假或夸大的结果。有几种类型的空间滤波器可以减弱空间自相关，从而改善地形或大脑定位。这些空间过滤器也使数据更适合用于连通性分析。

3.2 Ways to View Time-Frequency Results

 

A：Frequency slice：时间丢失，适合频率特征几乎没有时变变化，比如静息状态或睡眠阶段

B：Time slice：选择一个特定频带，适用比较多个条件或电极下的活动以及当有先验理由关注特定频带。

C:  Space slice：数据显示一个地形图中的电极上的一个时频点，或多个相邻时频点的平均值，有助于可视化效果的地形分布，并促进地形定位。

D:  Time-frequency slice： 图的颜色（也称为z轴或深度）反映了时频数据的一些特征，如功率（最常见）、相位聚类、连通性或相关系数。

3.4 How to View and Interpret Time-Frequency Results

1：关注横纵坐标，时频图颜色含义和范围

2：检查结果：

是否在多个频率和时间窗上有活动，或者所有的活动都集中在一个时频“blob”中？

活动持续时间是短还是长，它是受频带限制的还是它跨越多个频带？

刺激前时期是否有活动（该时期通常用于基线标准化）？

如果结果从几个电极或在地形图上显示，是否存在地形特异性；也就是说，影响是否有选择性地出现在头皮的某些部位？

如果没有空间信息显示，从哪个电极(s)的结果显示，为什么？

3：将结果联系到实验（或患者群体、基因或药物治疗，或其他自变量）：

time=0指的是什么？

实验中是否存在多个事件（例如，第一刺激、第二刺激、反应），这些不同的事件在时频结果中是如何表现出来的？

考虑到实验设计，这些结果是否有意义？

它们是否与之前使用类似设计的研究结果一致？

是否有作者/演讲者没有提到的结果的突出特征（这可能是由于关于特定时频窗口的先验假设）？

研究结果对所研究的认知过程及其潜在的神经实施意味着什么？

最后，这些结果是否提供了任何关于大脑功能的新信息，或者是否可以简单地用反应时间等参数来代替所显示的结果，并得出相同的结论？

4：理解用于支持这些解释的统计程序：

是否使用了任何统计阈值？

-如果没有，结果应该定性地而不是定量地解释。

分析是由假设驱动的，还是由探索性的和数据驱动的？

-这影响了对结果的解释以及适当的统计方法：

探索性数据驱动的方法，通常需要保守的统计阈值和对时间、频率和电极进行多次比较（或体素，如果数据是在大脑空间而不是电极空间进行分析）进行校正。

假设驱动的分析，增加了敏感性和理论相关性，而不那么严格的阈值，如p < 0.05可能是可以接受的。

探索性分析可能缺乏检测结果的微妙特征的敏感性，而假设驱动的分析可能会遗漏该理论没有预测到的结果的重要特征。

如果这些分析是由假设驱动的，那么如何选择时频空间窗口来进行统计分析呢？

-一些关于分析选择和参数设置的详细问题，这些问题可能会影响结果或可能突出显示数据的具体特性

3.5 Things to Be Suspicious of When Viewing Time-Frequency Results  

时频结果的一些特征应该会引起怀疑，尽管它们不一定是伪影。在面板B和面板C中，有问题的单次试验（在99个其他数据良好的试验中）被叠加在时频图上（脑电图轨迹振幅是任意缩放的）。面板E中的地形图是通过随机交换电极标签-位置映射而产生的。

A:时频图中的水平或垂直条纹：可能反映了由于滤波器结构不良而产生的纹波伪影。如果滤波器宽度太窄，或者滤波器应用的数据太少，从而导致边缘伪影。

B:高频下的短暂和大功率效应：可能是由脑电图伪影驱动，如放大器饱和度或来自不良电极的噪声峰值。即使在100次试验中就有一个非常大的伪影。

C:跨越多个 “ classical ”频率带的broadband effects，可能是由于机械噪音或来自颌或颈部的过度肌肉活动。

D:颜色随着时间或频率的快速变化，可能是分析中的一个错误（在这种情况下，分析信号的实部被绘制，而不是功率）。低频率的快速变化比高频率的快速变化更可疑，因为在低频率上增加了时间平滑。在图3.4D所示的情况下，没有伪影，但信号实部的时频图信息较少，因此通常不显示。

E：包含许多峰值的奇怪的地形分布。可能是由于噪声或不良的电极，或由于电极标签和物理位置之间的不正确映射（这是图3.4E的情况）。请注意，高通空间滤波器，如表面拉普拉斯算子将增加地形定位和突出局部空间特征。